Multimodal sparse signal representations and their role in Compressed Sensing

• Applicant: Professor Dr.-Ing. Klaus Diepold, since 9/2016
• Subject Area: Electronic Semiconductors, Components and Circuits, Integrated Systems, Sensor Technology, Theoretical Electrical Engineering ; Image and Language Processing, Computer Graphics and Visualisation, Human Computer Interaction, Ubiquitous and Wearable Computing
• Term: from 2016 to 2021
• Project identifier: Deutsche Forschungsgemeinschaft (DFG) - Project number 290606669

• Final Report Year: 2020

Final Report Abstract

In diesem Projekt haben wir Konzepte von Spärlichkeit im Kontext multimodaler Signalverarbeitung untersicht und deren Bedeutung für die Analyse von Bilddaten, insbesondere die Bildsegmentierung dargelegt. Wir haben eine Reihe von Durchbrüchen erzielen können, in den Bereichen Bild- und Signalverarbeitung, Sparsity Modelling, multimodale Segmentierung und unüberwachtes Lernen von Operatoren.

Publications

• Joint learning dictionary and discriminative features for high dimensional data. 23rd International Conference on Pattern Recognition (ICPR), 366-37, 2016
  X Wei, Y Li, H Shen, M Kleinsteuber, Y L Murphey
  
• A RGB/NIR data set for evaluating dehazing algorithms, Electronic Imaging (12), 79-87, 2017
  J Lüthen, J Wörmann, M Kleinsteuber, J Steurer
  
• Dynamical textures modeling via joint video dictionary learning. IEEE Transactions on Image Processing 26 (6), 2929-2943, 2017
  X Wei, Y Li, H Shen, F Chen, M Kleinsteuber, Z Wang
  
• Learning Image and Video Representations Based on Sparsity Priors. Dissertation, Fakultät Elektrotechnik und Informationstechnik,Technische Universität München, 2017
  Xian Wei
  
• Model-based learning of co-sparse representations for image processing applications. Dissertation, Fakultät Elektrotechnik und Informationstechnik, Technische Universität München, 2019
  Martin Kiechle
  
• Sample Complexity of Representation Learning for Sparse and Related Data Models. Dissertation, Fakultät Elektrotechnik und Informationstechnik,Technische Universität München, 2019
  Matthias Seibert
  
• Structured Co-sparse Analysis Operator Learning for Inverse Problems in Imaging. Dissertation, Fakultät Elektrotechnik und Informationstechnik,Technische Universität München, 2019
  Julian Wörmann